岗位职责：

1. 负责GPU设备装机，单机压测，故障排查，维修；

2. 根据基线要求，配置并升级服务器BIOS，BMC，网卡，GPU等固件；

3. 负责实施硬件监控系统，主动管理设备健康状态、温度、电源使用情况及容量，定期提供系统状态报告及性能分析；

4. 响应线上故障，判断是否硬件导致，主要从demsg 、syslog 、lspci 、监控判断，解决分析问题并记录，揪 出根因，思考后续如何避免类似问题；

5. 制定和执行硬件管理的标准操作流程（SOP）；

6. 负责大规模GPU算力集群的日常运维、部署、扩容及变更管理；

7. 具备高速数据中心网络基础知识，能与网络团队协作，排查与硬件相关的网络互联性能问题；

8. 与AI框架、算法团队紧密协作，为模型训练任务提供稳定、高性能的算力基础设施支持；

9. 参与算力资源的容量规划与管理，监控集群利用率，为硬件采购和资源调度提供数据支持。

任职要求：

1. 电气工程、计算机工程、信息技术或相关专业本科及以上学历；

2. 至少2年以上数据中心硬件运维经验；

3. 熟悉GPU服务器技术，尤其是Nvidia主流的设备；

4. 熟悉硬件监控工具（IPMI、Nagios、Prometheus等）；

5. 较强的故障排查、分析和解决能力；

6. 了解数据中心网络基础，对InfiniBand或高性能以太网有接触者优先；

7. 具备良好的沟通能力，能与其他技术团队高效协同。